迭代器
迭代是Python最强大的功能之一，是访问集合元素的一种方式。
迭代器是一个可以记住遍历的位置的对象。
迭代器对象从集合等第一个元素开始访问，直到所有的元素被访问结束，迭代器只能往前不会后退。
迭代器有两个基本的方法：iter（）和next（）
字符串，列表或元组对象都可以用于创建迭代器。
迭代器的一大优点是不要求事先准备好整个迭代过程中所有的元素。迭代器仅仅在迭代到某个元素时才计算该元素，而在这之前或之后，元素可以不存在或者被销毁。这个特点使得它特别适合用于遍历一些巨大的或是无限的集合，比如几个G的文件
特点：
- 访问者不需要关心迭代器内部的结构，仅需通过next()方法不断去取下一个内容
- 不能随机访问集合中的某个值 ，只能从头到尾依次访问
- 访问到一半时不能往回退
- 便于循环比较大的数据集合，节省内存
>>> list = [1,2,3,4] >>> it = iter(list) # 创建迭代器对象 >>> print(next(it)) # 输出迭代器的下一个元素 1 >>> print(next(it)) 2
迭代器对象可以使用常规for语句进行遍历：
list=[1,2,3,4]
it = iter(list) # 创建迭代器对象
for x in it:
print (x）
执行以上程序，输出结果如下：
1 2 3 4
也可以使用 next() 函数：
import sys # 引入 sys 模块
list=[1,2,3,4]
it = iter(list) # 创建迭代器对象
while True:
try:
print (next(it))
except StopIteration:
sys.exit()
执行以上程序，输出结果如下：
1 2 3 4
凡是能够用for循环遍历的数据结构和对象统统可以称为可迭代的，即Iterable。我们现在接触到Iterable数据结构有list、tuple、dict、string、set，还有生成器generator（下面将讲到）。
但是，他们之间有什么区别呢？generator不但可以使用for循环，还可以被next()函数不断调用并返回下一个值，直到返回StopIteration错误。
能够被next()函数不断调用并返回下一个值的对象称为迭代器Iterator。generator是Iterable，同时也是一个Iterator；而list、tuple、str、dict不是Iterator。
当然，可以通过isinstance()判断一个对象是否为Iterator。
>>> from collections import Iterator
>>> isinstance((x*x for x in range(10)), Iterator)
True
>>> isinstance([],Iterator)
False
>>> isinstance({},Iterator)
False
>>> isinstance("ABC",Iterator)
False
如果想让list、tuple、str、dict等Iterable对象转变成Iterator，用iter()函数能够让Iterable对象变为Iterator
>>> isinstance(iter("ABC"),Iterator)
True
>>> i = iter("ABC")
>>> next(i)
'A'
>>> next(i)
'B'
>>> next(i)
'C'
Iterable和Iterator对象到底有什么区别呢？
实际上，python中Iterator对象表示的是一个数据流，Iterator对象可以被next()函数不断调用返回下一个值，直到数据全部被返回。Iterator对象数据流可以被看作是一个序列，但是这个序列的长度是不可提前预知的，因为只能通过next()或者for循环按照需要调用下一个数据，所以Iterator对象的计算是一种惰性计算。
正是因为这样的特性，Iterator可以表示一个无限大的数据流，譬如全体自然数，而list是无法完成这样的任务的。
列表生成式
在讲到生成器之前我们先来讲一下列表生成式
列表生成式，顾名思义，就是用来生成列表的。以前我们生成列表的时候，一般都是先定义一个list = [] ，再用for循环将元素一个一个append到list中。
简单列表的生成，可以使用list(range(1,100))，那么如果需要生成[1*1,2*2,3*3....]呢？
>>> [x*x for x in range(10)] [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
同时，还可以添加一些更多的要素，判断使用符合要求的x参与计算。
>>> [x*x for x in range(10) if x%2==0] [0, 4, 16, 36, 64]
使用多重循环还可以生成全排列
>>> [x+y for x in 'ABC' for y in 'LMN'] ['AL', 'AM', 'AN', 'BL', 'BM', 'BN', 'CL', 'CM', 'CN'] >>> >>> [x+y+z for x in 'ABC' for y in 'LMN' for z in 'OPQ' if z=='Q'] ['ALQ', 'AMQ', 'ANQ', 'BLQ', 'BMQ', 'BNQ', 'CLQ', 'CMQ', 'CNQ']
生成器
通过列表生成器，我们可以创造一个列表。但是，受到内存容量的限制，列表的容量肯定是有限的，如若我们只需要使用列表中的一部分，就不需要一下子生成很大的列表，直接按需生成就好了，列表生成器就提供了这样的功能。
生成器相当于是一个生成列表元素的算法，有了这个算法，就不用一下子生成很多元素了，只需要在需要的时候生成就可以了，节省了很多空间。在Python中，这种一边循环一遍计算的机制，称为：generator。
创建一个generator只需要把列表生成器的[]改成()就可以了。
>>> [x*x for x in range(10)] [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] >>> (x*x for x in range(10)) <generator object <genexpr> at 0x00000259A50BD308>
获取generator里面的元素，可以使用next()函数生成generator的下一个元素。
>>> g=(x*x for x in range(10)) >>> next(g) 0 >>> next(g) 1 >>> next(g) 4 . . . >>> next(g) 81 >>> next(g) Traceback (most recent call last): File "<stdin>", line 1, in <module> StopIteration
一直调用next()函数就可以遍历generator的所有元素，直到抛出StopIteration错误。
但是最常用的当然还是for循环，毕竟generator也是Iterator的对象。
>>> g=(x*x for x in range(5)) >>> for element in g: ... print(element) ... 0 1 4 9 16
一般我们创建一个generator后，基本上不会调用next()，而是通过for循环来迭代它，并且不需要关心StopIteration的错误。
有时候，推算元素的算法很复杂，并不能通过列表生成器实现，而需要通过函数打印出来，譬如菲波那切数列。
#!/usr/bin/env python
def fib(Max):
n = 0
a,b = 0,1
while n < Max:
print(b)
a,b = b,a+b
n = n + 1
fib(5)
结果：
1
1
2
3
5
在Python中，使用了yield的函数被称为生成器（generator）。
跟普通函数不同的是，生成器是一个返回迭代器的函数，只能用于迭代操作，更简单点理解生成器就是一个迭代器。
在调用生成器运行的过程中，每次遇到yield时函数会暂停并保存当前所有灯运行信息，返回yield的值。并在下一次执行next()方法时从当前位置继续运行。
#!/usr/bin/env python
def fib(Max):
n = 0
a,b = 0,1
while n < Max:
yield b
a,b = b,a+b
n = n + 1
g = fib(5)
print(next(g))
print(next(g))
for i in g:
print(i)
结果：
1
1
2
3
5
在函数的执行过程中，遇到return才会返回，但是变成了generator的函数，遇到了yield就会中断，并且返回yield的参数。
那么，遇到了yield就会中断并返回，我们能不能通过yield传一些参数进去呢？
#!/usr/bin/env python
def fib(Max):
n = 0
a,b = 0,1
while n < Max:
e = yield b
print(e)
a,b = b,a+b
n = n + 1
g = fib(5)
print(next(g))
print(next(g))
print(g.send("the third element"))
print(g.send("forth"))
结果：
1
None
1
the third element
2
forth
3
在上面的generator定义中，使用了e = yield b语句，这样遇到yield返回b的同时，还能够通过g.send(arg)传入一个参数赋值给e，这样，就可以通过generator进行参数传递了。
>>> def fib(Max):
... n = 0
... a,b = 0,1
... while n < Max:
... e = yield b
... print(e)
... a,b = b,a+b
... n = n + 1
...
>>> g = fib(5)
>>> g.send("the first element")
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: can't send non-None value to a just-started generator
>>> g.send(None)
1
注意，看上面的代码，为什么会报错？说明启动一个generator的时候，只能传入None作为参数，而generator就相当于next(g)！
2.装饰器
原则：
1、不能修改被装饰函数的源代码。
2、不能修改被装饰函数的调用方式。
3、不能改变被装饰函数的执行结果。
装饰器对被装饰函数是透明的。
如何理解装饰器
1、函数即“变量”
2、高阶函数
a:把一个函数名作为实参传递给另外一个函数
b:返回值中包含函数名
3、嵌套函数
在一个函数体内声明另一个函数称为函数的嵌套
参考链接：http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/0014318435599930270c0381a3b44db991cd6d858064ac0000
装饰器（decorator）是一种高级的Python语法。装饰器可以对一个函数，方法或者类加工。
由于函数也是一个对象，而且函数对象可以被赋值给变量，所以，通过变量也能调用该函数。
>>> def now():
... print('2017-05-01')
...
>>> f = now
>>> f()
2017-05-01
函数对象有一个__name__属性，可以拿到函数的名字：
>>> now.__name__ 'now' >>> f.__name__ 'now'
现在，假设我们要增强now()函数的功能。比如，在函数调用前后自动打印日志，但是又不希望修改now()函数的定义，这种在代码运行期间动态增加功能的方式，就称之为：装饰器（decorator）。
本质上，decorator就是一个返回函数的高阶函数。所以，我们要定义一个能打印日志的decorator，可以定义如下：
def log(func):
def wrapper(*args, **kwargs):
print("call %s():" % func.__name__)
return func(*args, **kwargs)
return wrapper
观察上面的log，因为它是一个decorator，所以接受一个函数作为参数，并返回一个函数。我们要借助Python的@语法，吧decorator置于函数的定义处：
@log # 把这句放在这儿就相当于执行了 now = log(now)
def now():
print("2017-05-01")
调用now()函数，不仅会运行now()函数本身，还会运行now()函数前打印一行日志：
>>> now() call now(): 2017-05-01
把@log放在now()函数的定义处，就相当于执行了语句：
now = log( now )
由于log()是一个decorator，返回一个函数，所以，原来的now()函数仍然存在，只是现在同名的now变量指向了新的函数，于是调用now()将执行新函数，即在log()函数中返回的wrapper()函数。
如果decorator本身需要传入参数，那就需要编写一个返回decorator的高阶函数，写出来会更复杂。比如，要自定义log的文本：
>>> def log(text):
... def decorator(func):
... def wrapper(*args, **kwargs):
... print("%s %s():" % (text, func.__name__))
... return func(*args, **kwargs)
... return wrapper
... return decorator
...
>>> @log("execute")
... def now():
... print("2017-05-01")
...
>>> now()
execute now():
2017-05-01
和两层嵌套的decorator相比，3层嵌套的效果是这样的：
>>> now = log("execute")(now)
我们来剖析上面的语句，首先执行log('execute')，返回的是的decorator函数，在调用返回的函数，参数是now函数，返回值最终是wrapper函数。
以上两种decorator的定义都没有问题，但还差最后一步。因为我们讲了函数也是对象。它有__name__等属性，但你去看经过decorator装饰之后的函数，它们的__name__已经从原来的'now'变成了'wrapper'：
>>> now.__name__ 'wrapper'
因为返回的那个wrapper()函数名字就是'wrapper'，所以，需要把原始函数的__name__等属性复制到wrapper()函数中，否则，有些依赖函数签名的代码执行就会出错。
不需要编写wrapper.__name__ = func.__name__这样的代码，Python内置的functools.wraps就是干这个事的，所以，一个完整的decorator的写法如下：
import functools
def log(func):
@functools.wraps(func)
def wrapper(*args, **kw):
print('call %s():' % func.__name__)
return func(*args, **kw)
return wrapper
@log("execute")
def now():
print("2017-05-01")
now()
或者针对带参数的decorator：
import functools
def log(text):
def decorator(func):
@functools.wraps(func)
def wrapper(*args, **kwargs):
print("%s %s():" % (text, func.__name__))
return func(*args, **kwargs)
return wrapper
return decorator
@log("execute")
def now():
print("2017-05-01")
now()